Hai uno script di training TensorFlow (train.py) esistente che legge dati di training statici archiviati come file TFRecord. Hai bisogno di una soluzione di storage scalabile per il training su Amazon SageMaker con il minor numero di modifiche al codice. Quale approccio minimizza lo sforzo di sviluppo?

L'opzione corretta minimizza lo sforzo di sviluppo perché SageMaker Script Mode supporta l'esecuzione di script di training TensorFlow esistenti con modifiche minime o nulle. Caricare i file TFRecord direttamente in Amazon S3 consente a SageMaker di montarli nel container di training, rendendoli accessibili allo script come se fossero su un filesystem locale, senza richiedere la riformattazione dei dati o modifiche al codice di training. L'opzione che suggerisce di puntare a un percorso del filesystem locale non è scalabile o praticabile per SageMaker, che opera in un ambiente distribuito. Le opzioni che richiedono la conversione o la riformattazione dei dati (in protobuf o altri schemi) introducono uno sforzo di sviluppo significativo e non sono necessarie, dato che SageMaker può gestire i TFRecord direttamente da S3.